Diplomová práce je zaměřena na oceňování opcí v modelech stochastické volatility pomocí neuronových sítí. Nejprve jsou vygenerovány ceny opcí v Hestonově modelu pomocí Heston-Lewisovy formule. Pomocí těchto cen je natrénovaná neuronová síť, která nejprve odhadne parametry Hestonova modelu a poté z těchto parametrů zpět odhadne ceny opcí. Natrénovaná neuronová síť je také použita na odhad cen opcí pro reálná tržní data.
Anotace v angličtině
This thesis is focused on option pricing in stochastic volatility models using neural networks. First, option prices in the Heston model are generated using the Heston-Lewis formula. A neural network is then trained using these prices to first estimate the parameters of the Heston model and then back-estimate option prices from these parameters. The trained neural network is also used to estimate option prices for real market data.
deep learning, neural networks, Heston model, option pricing
Rozsah průvodní práce
55 s. (66 000 znaků)
Jazyk
AN
Anotace
Diplomová práce je zaměřena na oceňování opcí v modelech stochastické volatility pomocí neuronových sítí. Nejprve jsou vygenerovány ceny opcí v Hestonově modelu pomocí Heston-Lewisovy formule. Pomocí těchto cen je natrénovaná neuronová síť, která nejprve odhadne parametry Hestonova modelu a poté z těchto parametrů zpět odhadne ceny opcí. Natrénovaná neuronová síť je také použita na odhad cen opcí pro reálná tržní data.
Anotace v angličtině
This thesis is focused on option pricing in stochastic volatility models using neural networks. First, option prices in the Heston model are generated using the Heston-Lewis formula. A neural network is then trained using these prices to first estimate the parameters of the Heston model and then back-estimate option prices from these parameters. The trained neural network is also used to estimate option prices for real market data.
deep learning, neural networks, Heston model, option pricing
Zásady pro vypracování
Zpracujte rešerši obvykle používaných architektur hlubokých neuronových sítí pro oceňování v modelech stochastické volatility.
Popište a ve vhodném vývojovém prostředí implementujte (prediktivní) model na bázi hluboké neuronové sítě pro oceňování v modelech stochastické volatility, zejména v Hestonově modelu.
Analyzujte numerické vlastnosti modelu při použití různých hlubokých neuronových sítí a postupů jejich učení.
Srovnejte jednotlivé případy z pohledu úspěšnosti kalibrace na reálná tržní data, simulace a predikce.
Zásady pro vypracování
Zpracujte rešerši obvykle používaných architektur hlubokých neuronových sítí pro oceňování v modelech stochastické volatility.
Popište a ve vhodném vývojovém prostředí implementujte (prediktivní) model na bázi hluboké neuronové sítě pro oceňování v modelech stochastické volatility, zejména v Hestonově modelu.
Analyzujte numerické vlastnosti modelu při použití různých hlubokých neuronových sítí a postupů jejich učení.
Srovnejte jednotlivé případy z pohledu úspěšnosti kalibrace na reálná tržní data, simulace a predikce.
Seznam doporučené literatury
Goodfellow, I., Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016.
Horvath, B., Muguruza, A., and Tomas, M. (2021). Deep learning volatility: a deep neural network perspective on pricing and calibration in (rough) volatility models. Quant. Finance 21(1), 11-27, DOI: 10.1080/14697688.2020.1817974.
Ruf, J. and Wang, W. (2020). Neural networks for option pricing and hedging: a literature review. J. Comput. Finance 24(1), 1-46, DOI 10.21314/JCF.2020.390.
Seznam doporučené literatury
Goodfellow, I., Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016.
Horvath, B., Muguruza, A., and Tomas, M. (2021). Deep learning volatility: a deep neural network perspective on pricing and calibration in (rough) volatility models. Quant. Finance 21(1), 11-27, DOI: 10.1080/14697688.2020.1817974.
Ruf, J. and Wang, W. (2020). Neural networks for option pricing and hedging: a literature review. J. Comput. Finance 24(1), 1-46, DOI 10.21314/JCF.2020.390.